Spark编译

前提

在这里我们编译的是Spark2.2.0,Hadoop版本为hadoop-2.6.0-cdh5.7.0，Scala版本为2.11.8

更多关于编译Spark2.2.0参见Spark编译官方文档

环境要求

The Maven-based build is the build of reference for Apache Spark. Building Spark using Maven requires Maven 3.3.9 or newer and Java 8+. Note that support for Java 7 was removed as of Spark 2.2.0.

• Java需要7+版本，而且在Spark2.0.0之后Java 7已经被标识成deprecated了，但是不影响使用，但是在Spark2.2.0版本之后Java 7的支持将会被移除；
• Maven需要3.3.9+版本

编译

• JDK7+ 的安装 可参考教程
• Maven 3.3.9+安装 可参考教程
• Scala 安装 可参考教程
• spark-2.2.0.tgz 源码下载 下载页面
• zinc-0.3.11.tgz：下载页面

最后两个包可不用提前下，如不提供，则在编译时，会通过maven源自动下载下来，不挂VPN会很慢，节约时间可预先下好解压放在源码目录下build文件夹下

• 编译spark要内存够大

在/etc/profile下加入export MAVEN_OPTS="-Xmx2g -XX:ReservedCodeCacheSize=512m"
如果不加入这些参数到MAVEN_OPTS，可能会出现下面的错误

[INFO] Compiling 203 Scala sources and 9 Java sources to /Users/me/Development/spark/core/target/scala-2.11/classes...
[ERROR] Java heap space -> [Help 1]

• 应为我这里使用的是CDH版的Hadoop所以需要在源码文件夹下的pom.xml中添加如下，位置在 第一个<repositorys>内，不然编译过程报错找不到对应的jar

<repository>
     <id>cloudera</id>
     <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
</repository>

编译方法

使用build/mvn 来编译

build/mvn -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.0 -DskipTests clean package

（-Pyarn 提供yarn支持 ，—Phadoop-2.6 提供hadoop支持，并且指定hadoop的版本）

用build目录下自带的mvn来部署安装，它可以自动提供部署工程所需要的资源，并把资源下载到build目录下，如果用户提供合适的参数来部署的话，就选择用户的，如果没有提供，那么mvn也可以给他配置默认的参数和资源
编译完成后，你会发现在assembly/build下面多了一个target文件，这个就是编译的结果

用make-distributed 脚本来编译

编译完源代码后，虽然直接用编译后的目录再加以配置就可以运行spark，但是这时目录很庞大，部署起来很不方便，所以需要生成部署包。生成在部署包位于根目录下，文件名类似于spark-[spark版本号]-bin-[Hadoop版本号].tgz

使用命令如下

./dev/make-distribution.sh --name 2.6.0-cdh5.7.0 --tgz  -Pyarn -Phadoop-2.6 -Phive -Phive-thriftserver -Dhadoop.version=2.6.0-cdh5.7.0

在这里解释下该命令：

--name：指定编译完成后Spark安装包的名字
--tgz：以tgz的方式进行压缩
-Psparkr：编译出来的Spark支持R语言
-Phadoop-2.6：以hadoop-2.6的profile进行编译，具体的profile可以看出源码根目录中的pom.xml中查看
-Phive和-Phive-thriftserver：编译出来的Spark支持对Hive的操作
-Pmesos：编译出来的Spark支持运行在Mesos上
-Pyarn：编译出来的Spark支持运行在YARN上

也可修改dev目录下make-distribution.sh脚本这样速度更快

将VERSION，SCALA_VERSION ，SPARK_HADOOP_VERSION ，SPARK_HIVE 注释掉，直接写上自己的版本

VERSION=2.2.0        #Spark版本
SCALA_VERSION=2.11   #Scala版本（大版本）
SPARK_HADOOP_VERSION=2.6.0-cdh5.7.0 #Hadoop版本
SPARK_HIVE=1         #是否将Hive打包（非1表示不打包）

也可以将默认使用的build目录下自带的mvn修改为自己maven，使用速度快的mirror，这样编译能更快更稳定

编成功后生成的部署包位于根目录下，文件名类似于spark-$spark-version-bin-$Hadoop-version.tgz 即可解压使用了！

参考

• Spark编译教程—maven
• Spark编译官方文档